論文の概要: TRACE: Temporal Routing with Autoregressive Cross-channel Experts for EEG Representation Learning

• arxiv url: http://arxiv.org/abs/2605.11380v1
• Date: Tue, 12 May 2026 01:13:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-13 21:48:56.504771
• Title: TRACE: Temporal Routing with Autoregressive Cross-channel Experts for EEG Representation Learning
• Title（参考訳）: TRACE:脳波表現学習のための自己回帰型クロスチャンネルエキスパートによる時間ルーティング
• Authors: Fan Ma, Qier An, Peng Chen, Lingfei Qian, Xiang Lan, Mingyang Jiang, Zhiling Gu, Xenophon Papademetris, Hua Xu,
• Abstract要約: 我々は、因果文脈から将来の脳波パッチを予測する自動回帰脳波事前学習フレームワークTRACEを提案する。 各時間ステップにおいて、TRACEは因果的チャネル履歴から専門家のルーティング決定を導出し、そのステップで全てのチャネルに共同で適用する。 運動画像と臨床イベント分類タスクに競争力を維持しながら、いくつかのベンチマークで最高の結果を得る。
• 参考スコア（独自算出の注目度）: 21.69512329728685
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Learning transferable representations for electroencephalography (EEG) remains challenging because EEG signals are inherently multi-channel and non-stationary. Channels observed at the same time provide coupled measurements of neural activity, while the relevant temporal dynamics vary across contexts. This structure is poorly matched by architectures that apply uniform computation across time or route each channel patch independently. To this end, we propose TRACE, an autoregressive EEG pre-training framework that predicts future EEG patches from causal context while performing temporally adaptive and cross-channel coherent computation. At each temporal step, TRACE derives an expert routing decision from the causal cross-channel history and applies it jointly to all channels at that step. This preserves instantaneous cross-channel coherence while allowing different temporal regimes to activate different computation. Since routing is defined over the available channel set and causal temporal context, TRACE is compatible with heterogeneous pre-training across corpora with different channel counts, montages, sequence lengths, and recording domains. Across eight downstream EEG benchmarks, TRACE is evaluated in both settings: when downstream domains are seen only as unlabeled pre-training data and when downstream datasets are completely unseen during pre-training. It obtains the best results on several benchmarks while remaining competitive on motor imagery and clinical event classification tasks, with ablations supporting the importance of cross-channel temporal routing.
• Abstract（参考訳）: 脳波信号が本質的にマルチチャネルで非定常であるため、脳波(EEG)の伝達可能な表現の学習は依然として困難である。 同時に観察されるチャネルは、関連する時間的ダイナミクスがコンテキストによって異なるのに対して、神経活動の同時測定を提供する。 この構造は、時間にわたって均一な計算を適用するアーキテクチャや、各チャネルパッチを独立してルーティングするアーキテクチャにはあまりマッチしない。 そこで我々は,時間適応型およびチャネル横断型コヒーレント計算を行いながら,因果文脈から将来の脳波パッチを予測する自己回帰型脳波事前学習フレームワークTRACEを提案する。 各時間ステップにおいて、TRACEは因果的チャネル履歴から専門家のルーティング決定を導出し、そのステップで全てのチャネルに共同で適用する。 これにより、瞬時にチャネル間のコヒーレンスを保ち、異なる時間的状態が異なる計算を活性化する。 ルーティングは利用可能なチャネルセットと因果時間コンテキスト上で定義されるため、TRACEは、異なるチャネルカウント、モンタージュ、シーケンス長、記録ドメインを持つコーパス間の異種事前トレーニングと互換性がある。 8つのダウンストリームEEGベンチマークで、TRACEは両方の設定で評価される。ダウンストリームドメインがラベルなしの事前トレーニングデータとしてのみ見られる場合、ダウンストリームデータセットが事前トレーニング中に完全に見えない場合。 運動画像と臨床イベント分類タスクに競争力を維持しながら、いくつかのベンチマークで最良の結果を得る。

関連論文リスト

• TIE: Time Interval Encoding for Video Generation over Events [50.66585165263848]
  ディレクタースタイルのプロンプト、ロボットアクション予測、インタラクティブなビデオエージェントは、同時イベントに対する時間的根拠を要求する。 現代のビデオジェネレータは、ポイントワイドな位置エンコーディングを通して、タイムを離散的なポイントとして表現する。 Time Interval TIEは、プラグイン・アンド・プレイ・インターバル・アウェアの一般化である。
  論文  参考訳（メタデータ） (2026-05-11T13:23:14Z)
• Routing Channel-Patch Dependencies in Time Series Forecasting with Graph Spectral Decomposition [44.75749696286735]
  本稿では, グラフスペクトル分解の観点から, チャネルパッチ依存性を適応的にモデル化できる汎用プラグインxCPDを提案する。 xCPDは既存のCIおよびCD予測モデルの上にシームレスに統合することができ、ベンチマーク間の精度と一般化を一貫して強化することができる。
  論文  参考訳（メタデータ） (2026-03-14T02:18:17Z)
• CPiRi: Channel Permutation-Invariant Relational Interaction for Multivariate Time Series Forecasting [21.579831447953243]
  チャネル依存モデルはチャネル間の特徴を学習するが、しばしばチャネルの順序付けに適合する。 チャネルに依存しないモデルは、各チャネルを分離して柔軟性を高めるが、チャネル間の依存関係を無視し、性能を制限する。 固定順序を記憶するのではなく,データからチャネル間構造を推定するフレームワークである textbfCPiRi を提案する。
  論文  参考訳（メタデータ） (2026-01-28T07:30:32Z)
• Biaxialformer: Leveraging Channel Independence and Inter-Channel Correlations in EEG Signal Decoding for Predicting Neurological Outcomes [1.7656489005289302]
  脳波信号の正確な復号には、個々のチャネル内の時間的ダイナミクスとチャネル間の空間的依存関係の両方をモデル化する必要がある。 チャネル独立性(CI)戦略を利用したトランスフォーマーベースモデルは,様々な時系列タスクにおいて高い性能を示した。 本稿では,2段階の注意に基づくフレームワークを巧みに設計したBiformerを提案する。
  論文  参考訳（メタデータ） (2025-06-18T11:47:26Z)
• ALFEE: Adaptive Large Foundation Model for EEG Representation [17.166788472910806]
  本稿では,脳波信号表現(ALFEE)フレームワークのための適応大基礎モデルを提案する。 ALFEEは、堅牢な脳波表現学習のための2つの学習段階を持つ、新しいハイブリッドトランスフォーマーアーキテクチャである。 25,000時間の事前トレーニングの後、6つの下流脳波タスクに関する広範な実験結果が、既存のモデルよりもALFEEの方が優れた性能を示している。
  論文  参考訳（メタデータ） (2025-05-07T13:32:31Z)
• Contrastive random lead coding for channel-agnostic self-supervision of biosignals [3.101600812051321]
  本稿では, チャネルに依存しない生体信号の自己超越に対して, CRLC(Contrative random lead coding)を導入する。 脳波と心電図のデータに基づいてモデルを事前学習し、下流のタスクのためにそれらを微調整することで、我々のアプローチを検証する。
  論文  参考訳（メタデータ） (2024-10-21T09:33:45Z)
• From Similarity to Superiority: Channel Clustering for Time Series Forecasting [61.96777031937871]
  CCM(Channel Clustering Module)を開発した。 CCMは、固有の類似性を特徴とするチャネルを動的にグループ化し、個々のチャネルのアイデンティティの代わりにクラスタ情報を活用する。 CCMは、CIモデルとCDモデルのパフォーマンスを、それぞれ長期および短期の予測において平均利率2.4%と7.2%で向上させることができる。
  論文  参考訳（メタデータ） (2024-03-31T02:46:27Z)
• Physics-informed and Unsupervised Riemannian Domain Adaptation for Machine Learning on Heterogeneous EEG Datasets [53.367212596352324]
  脳波信号物理を利用した教師なし手法を提案する。 脳波チャンネルをフィールド、ソースフリーなドメイン適応を用いて固定位置にマッピングする。 提案手法は脳-コンピュータインタフェース(BCI)タスクおよび潜在的なバイオマーカー応用におけるロバストな性能を示す。
  論文  参考訳（メタデータ） (2024-03-07T16:17:33Z)
• Deep Reinforcement Learning for IRS Phase Shift Design in Spatiotemporally Correlated Environments [93.30657979626858]
  本稿では,チャネル相関と目的地動きを考慮したディープアクター批判アルゴリズムを提案する。 チャネルが時間的に相関している場合、コンバージェンスを抑制する方法において、関数近似を伴う状態表現にSNRを組み込むことが示される。
  論文  参考訳（メタデータ） (2022-11-02T22:07:36Z)
• Learning from Heterogeneous EEG Signals with Differentiable Channel Reordering [51.633889765162685]
  CHARMは、一貫性のない入力チャネルをまたいだ単一のニューラルネットワークのトレーニング方法である。 我々は4つの脳波分類データセットの実験を行い、CHARMの有効性を実証した。
  論文  参考訳（メタデータ） (2020-10-21T12:32:34Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。